"6조"의 두 판 사이의 차이

2023년 6월 20일 (화) 07:58 판

프로젝트 개요

기술개발 과제

국문 : 도로 손상 실시간 업데이트 프로젝트..

영문 : Road damage real-time update project..

과제 팀명

도로돌려조..

지도교수

김지수 교수님

개발기간

2023년 03월 ～ 2023년 06월 (총 4개월)

구성원 소개

서울시립대학교 토목공학과 2018860021 오지원(팀장)

서울시립대학교 토목공학과 2018860006 김석균

서울시립대학교 토목공학과 2018860007 김예지

서울시립대학교 토목공학과 2018860020 오승훈

서울시립대학교 토목공학과 2018860028 이준민

서울시립대학교 토목공학과 2018860036 조광래

서론

개발 과제의 개요

개발 과제 요약

도로 손상 실시간 로드맵 제작 프로젝트 개발을 위해 카메라와 GPS를 활용하여 실시간 노면 손상을 탐지, 그 결과를 이용해 교내 손상 로드맵을 제작

개발 과제의 배경

4차 산업혁명 기술을 활용한 선제적 스마트 도로관리를 위하여 선진기술 도입 및 안전하고 편리한 도로환경을 조성하여 도로 손상으로 인한 교통사고를 예방하기 위한 실시간 업데이트 필요

개발 과제의 목표 및 내용

도로 손상 실시간 로드맵 제작 프로젝트 개발을 위해 카메라와 GPS를 활용하여 실시간 노면 손상을 탐지, 그 결과를 이용해 교내 손상 로드맵을 제작을 목표 본 프로젝트와 관련한 내용으로는 컴퓨터 비전 활용, 물체 인식, Classification & B-box regression, 실시간 노면 손상 탐지(카메라 & GPS 활용), 손상탐지결과를 이용 교내 손상 로드맵 제작에 있음. 본 프로젝트를 수행함으로써 도로 손상으로 인한 교통사고 예방과 도로 정비 작업 편의성 개선을 기대

관련 기술의 현황

관련 기술의 현황 및 분석(State of art)

전 세계적인 기술현황

◇ 홍성삼, 김동욱, 김병곤, 이재강.(2020).도로포장에서 파손 및 크랙 탐지를 위한 이미지 레이블링 기술 분석 및 학습셋 생성 모델.대한공간정보학회지,28(4),119-125.

- 도로포장의 파손을 탐지를 자동화하기 위한 AI 모델을 구축하기 위한 고품질의 이미지 넷, 즉 학습셋을 구축하기 위한 레이블링 기술을 분석 및 제안하였다. 기존의 이미지넷 구축, 레이블링 기법, 자동 레이블링, 적은양의 데이터로 모델을 구축하는 기법들에 대해 조사 및 분석하여 도로포장에 적용가능한 기술들을 연구하였다. 또한 효율적인 도로포장 이미지넷 구축을 위한 자동 레이블링 시스템을 설계하여 제안하였다.

◇ 지봉준, “스몰 딥러닝을 이용한 아스팔트 도로 포장의 균열 탐지에 관한 연구”, 한국지반환경공학회 논문집 (2021. 10)

- 모바일 기기에 적용 가능한 스몰 딥러닝 모델을 적용하여 아스팔트 도로 포장의 균열을 탐지하는 모델의 개발을 위한 프레임워크를 제안한다. 사례연구를 통해 제안한 스몰 딥러닝 모델은 일반적인 딥러닝 모델들과 비교 연구되었으며, 상대적으로 적은 파라미터를 가지는 모델임에도 일반적인 딥러닝 모델들과 유사한 성능을 보였다.

◇ 하종우, 박경원, 김민수.(2021).딥러닝 기반의 분할과 객체탐지를 활용한 도로균열 탐지시스템 개발.한국전자거래학회지,26(1),93-106.

- 균열의 심각도를 산출하기 위해서는 균열의 유형과 이미지 속 균열의 부위가 함께 파악되어야 한다. 본 연구에서는 균열 유형과 균열 부위의 동시적 탐지를 효과적으로 자동화하기 위해 딥러닝 기반의 객체탐지 모델인 Mobilenet-SSD를 활용하는 방법을 다루고 있다. 균열탐지의 정확도를 개선하기 위해 U-Net을 활용해 입력 이미지를 자동 분할하고, 이를 객체탐지 기법과 결합하기 위한 여러 실험을 진행하여 그 결과를 정리하였다. 결과적으로 U-Net을 활용한 이미지 의 자동 마스킹을 통해 객체탐지의 성능을 mAP 값이 0.9315가 되도록 향상시킬 수 있었다.

기술 로드맵

시장상황에 대한 분석

경쟁제품 조사 비교

완전 합성곱 신경망(Fully Convolution Neural Network) 구조의 학습을 통한 포트홀 파손 부위를 분류하는 AI 학습 모델 – 한국건설기술연구원 도로교통연구본부 연구팀

- 적절한 학습용 데이터구축 위해 도로를 직접 주행, 촬영한 동영상에서 약 1만장의 노면 파손 이미지를 추출한 후, 라벨링 실시 및 5등분 해 서로 다른 학습 및 검증 데이터 셋 조합으로 5개의 AI 추론 모델을 완성했다. - AI 추론 모델의 성능을 평가하기 위한 지표로 IoU(Intersection over Union)를 주로 사용함. IoU는 추론 모델이 예측한 픽셀 영역과 이미지에서의 실제 파손이 점한 영역을 비교해 두 영역의 중첩 면적을 두 영역의 총면적으로 나눈 값이며, IoU가 1에 가까울수록 예측한 픽셀 영역이 실제 파손 영역과 일치한다는 의미를 지닌다. - 특히 실험용 테스트 데이터 기준으로 5개의 AI 학습 모델로 측정한 mIoU는 각각 0.722, 0.700, 0.725, 0.719, 0.724였으며 전체 모델의 평균 IoU는 0.718로 나타났다. - 도로 주행 중에 도로 관리자나 일반인이 쉽게 측정할 수 있는 휴대폰 애플리케이션과 각 단말에서 전송된 포트홀 발생 정보를 한눈에 파악하기 위한 지도기반 클라우드 서버 플랫폼으로 구성해 놓은 상태이다.

마케팅 전략 제시

실시간으로 도로 파손에 대한 정보를 업데이트하는 기술을 통해 운전자와 관리자에게 데이터를 제공함으로써 사고 예방 및 관리의 효율을 개선하는 프로그램의 수요가 충분할 것으로 예상함.

개발과제의 기대효과

기술적 기대효과

1. 정량적이고 객관적인 도로 손상탐지 가능 : 사진과 영상 등 다양한 데이터를 활용하여 기존의 탐지 방법인 육안 관찰보다 더욱 정량적이고 객관적인 탐지가 가능하다.

2. 도로 파손 탐지와 보수에 들어가는 시간 및 비용 감소 : 기존의 인력을 투입한 수시 점검보다 탐지 시간과 인건비 등의 비용 절감 효과를 기대할 수 있다.

3. 본 프로젝트는 인공지능을 활용한 기술로, 도로 손상탐지뿐만 아닌 다양한 토목 분야에 적용할 수 있다.

4. 인공지능을 활용한 기술이므로 지속적인 학습과 개선을 할 수 있다

5. 객체탐지 모델을 Faster R CNN을 사용하여 기존 학습에 많이 쓰인 CNN 모델보다 정확도를 향상할 수 있다.

경제적, 사회적 기대 및 파급효과

1. 포트홀로 인한 피해보상 건수는 2015년 199건에서 2018년 877건으로 4.4배 급증했고, 같은 기간 피해보상 금액은 1억 5000만 원에서 6억 원으로 4배가 늘었다. 또한, 최근 5년간 1904건에 14억3000여만 원의 피해보상이 이뤄졌다. 포트홀로 인한 교통사고는 57건이 발생했다. 이에 우리 조는 국내 취급하고 있는 도로 결함의 종류 중 사고의 위험성과 도로관리 대상 중 순위가 높은 Pothole, Alligator Crack, Longitudinal Crack을 탐지할 예정이다. 또한, Faster R CNN 모델을 사용함으로써 인공지능이 가지는 정확도 문제를 해결함과 동시에 사용자의 편의성을 증가시킬 수 있다. 이를 통해 운전자의 사고를 예방하고 도로관리를 쉽게 함으로써 기존에 투입되던 사회적 비용을 감소시킬 수 있는 효과가 예상된다.

2. 안전한 도로환경 조성 및 사고에 의한 사회적 비용 감소 효과 기대 : 신속한 탐지 및 보수로 더욱 안전한 도로환경을 조성하고 도로 파손으로 인해 사고 처리 비용 및 사회적 손실 예방 효과를 기대할 수 있다.

기술개발 일정 및 추진체계

개발 일정

청량리동, 휘경동 일대에 도로 결함 Data Image 수집 (4월 30일) 사고의 위험성과 도로관리 우선도가 높은 결함 및 구조물 5가지 선정 뒤 이외의 손상 물은 Spalling으로 표현함, (총 900장의 학습 Data Image 수집)

pothole, alligator crack, Longitudinal crack, spalling, manhole, speed bump

- 라벨링 (ground truth) 진행 과정 CVAT(Computer Vision Annotation Tool)을 이용, B-box 형태의 annotation을 각각의 결함에 RGB 값을 다르게 적용하여 진행(4월 30일 ~ 5월 6일)

- 학습 진행 과정

augmentation 적용으로 데이터 수 보완

초기 hyper parameters 설정

데이터 수 epoch batch size optimizer learning rate 900~1000 100 2 SGD 0.1

학습 결과와 Loss 그래프를 확인 후 F1 Score 결과에 따라 추가 학습데이터 수집 및 학습 또는 예정

구성원 및 추진체계